有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
LDJnr/Pure-Dove|多轮对话数据集|人工智能数据集
收藏hugging_face2024-06-03 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/LDJnr/Pure-Dove
下载链接
链接失效反馈资源简介：
Pure-Dove数据集是一个包含超过3000个经过高度筛选的多轮对话的数据集，主要来源于GPT-4与真实人类的对话。该数据集的目的不是单独用于训练，而是作为多轮对话数据集的补充。数据集的清理过程包括去除AI道德化行为和异常语言分布。未来计划包括利用领域专家志愿者消除数学/可验证错误答案。
提供机构：
LDJnr
原始信息汇总
数据集概述
基本信息
- 许可证: Apache-2.0
- 任务类别:
- 对话
- 问答
- 文本生成
- 语言: 英语
- 标签:
- 物理学
- 生物学
- 数学
- 化学
- 文化
- 逻辑
- 角色扮演
- 数据集名称: Pure-Dove
- 数据规模: 1K<n<10K
数据集描述
- 内容: 包含超过3000个经过高度筛选的多轮对话，涉及GPT-4与真实人类的交互。
- 平均对话长度: 每个对话平均超过800个令牌。
数据集目的
- 用途: 该数据集主要作为补充数据集，适用于任何支持多轮对话的数据集训练。
数据质量与清洗
- 来源: 数据来源于公开数据集如ShareGPT和ChatBotArena。
- 清洗过程: 进行了广泛的清洗，过滤掉了AI道德化或相关行为（如“作为AI语言模型”和“2021年9月”）的实例，不仅限于英语，还包括其他语言。
未来计划与贡献
- 未来计划: 计划利用领域专家志愿者来消除训练数据集中数学或可验证的错误答案。
- 如何贡献: 拥有数学、物理、生物或化学学士学位的人士，可以通过联系LDJ在Discord上贡献30分钟的专业时间。
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。
国家青藏高原科学数据中心 收录
M3PDB
M3PDB是一个大规模、多模态、多标签和多语言的提示数据库，旨在解决语音生成中高质量语音提示缺乏的问题。该数据集包含10个标签的语音和视觉模态的注释，涵盖18种语言，拥有约15k说话者和总计400k小时的语音数据。M3PDB通过引入一个多模态、多代理的标注框架，实现精确且分层的跨模态标注。此外，该数据集还提出了一个轻量级的实时、资源受限的推理设置下的提示选择策略。
arXiv 收录
Yahoo Finance Historical Data
该数据集包含来自Yahoo Finance的历史股票数据，涵盖了股票的开盘价、收盘价、最高价、最低价、成交量等信息。数据集的时间跨度从2000年1月至今，提供了全球多个市场的股票数据。
finance.yahoo.com 收录
中国气象数据
本数据集包含了中国2023年1月至11月的气象数据，包括日照时间、降雨量、温度、风速等关键数据。通过这些数据，可以深入了解气象现象对不同地区的影响，并通过可视化工具揭示中国的气温分布、降水情况、风速趋势等。
github 收录
MedDialog
MedDialog数据集（中文）包含了医生和患者之间的对话（中文）。它有110万个对话和400万个话语。数据还在不断增长，会有更多的对话加入。原始对话来自好大夫网。
github 收录